Moonshot AI ਨੇ ਜੁਲਾਈ 2026 ਵਿੱਚ 2.8-ਟ੍ਰਿਲੀਅਨ-ਪੈਰਾਮੀਟਰ ਵਾਲਾ Kimi K3 ਲਾਂਚ ਕੀਤਾ, ਅਤੇ ਇਸ ਮਾਡਲ ਨੇ ਤੁਰੰਤ Frontend Code Arena ਲੀਡਰਬੋਰਡ ਵਿੱਚ ਸਿਖਰ ਬਣਾ ਲਿਆ, ਜਿਸ ਨੇ ਬਲਾਈਂਡ ਡਿਵੈਲਪਰ ਵੋਟਿੰਗ ਵਿੱਚ Claude Fable 5 ਅਤੇ GPT-5.6 Sol ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ। ਇਹ ਜਿੱਤ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇਹ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਇੱਕ open-weight ਮਾਡਲ ਅਸਲ ਦੁਨੀਆ ਦੇ ਕੋਡਿੰਗ ਕੰਮਾਂ 'ਤੇ ਸਭ ਤੋਂ ਮਸ਼ਹੂਰ closed ਵਿਕਲਪਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦਾ ਹੈ।

Kimi K3 ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

Open-weight ਮਾਡਲ—ਜਿਨ੍ਹਾਂ ਦੇ ਪੂਰੇ weights ਜਨਤਕ ਤੌਰ 'ਤੇ ਜਾਰੀ ਕੀਤੇ ਜਾਂਦੇ ਹਨ—ਬੈਂਚਮਾਰਕ ਸਕੋਰਾਂ ਵਿੱਚ ਲੰਬੇ ਸਮੇਂ ਤੋਂ proprietary ਦਿੱਗਜਾਂ ਤੋਂ ਪਿੱਛੇ ਰਹੇ ਹਨ। Kimi K3 ਵਿਸ਼ਾਲ ਪੈਮਾਨੇ ਨੂੰ ਘੱਟ ਪ੍ਰਤੀ-ਕੁਐਰੀ (per-query) ਲਾਗਤ ਵਾਲੇ ਡਿਜ਼ਾਈਨ ਨਾਲ ਜੋੜ ਕੇ ਇਸ ਸਥਿਤੀ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਉਹ ਡਿਵੈਲਪਰ ਜਿਨ੍ਹਾਂ ਨੂੰ ਭਾਰੀ ਕਲਾਊਡ ਬਿੱਲ ਤੋਂ ਬਿਨਾਂ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਵਾਲੇ ਕੋਡਿੰਗ ਸਹਾਇਕ ਦੀ ਲੋੜ ਹੈ, ਹੁਣ ਉਨ੍ਹਾਂ ਕੋਲ ਇੱਕ ਕਿਫਾਇਤੀ ਵਿਕਲਪ ਹੈ।

ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ

Kimi K3 ਇੱਕ sparse Mixture-of-Experts (MoE) ਆਰਕੀਟੈਕਚਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਸ ਮਾਡਲ ਵਿੱਚ 896 “experts” ਹਨ, ਪਰ ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਹਰੇਕ ਟੋਕਨ ਲਈ ਸਿਰਫ਼ 16 ਹੀ ਚੱਲਦੇ ਹਨ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਕਿਸੇ ਵੀ ਰਿਕੁਐਸਟ 'ਤੇ ਕੁੱਲ ਪੈਰਾਮੀਟਰਾਂ ਦਾ ਲਗਭਗ 1.8% ਹੀ ਚੱਲਦਾ ਹੈ। Sparse activation, ਉਸੇ ਆਕਾਰ ਦੇ dense ਮਾਡਲ ਦੇ ਮੁਕਾਬਲੇ ਕੰਪਿਊਟ ਡਿਮਾਂਡ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਅਤੇ inference ਲਾਗਤਾਂ ਵਿੱਚ ਕਮੀ ਲਿਆਉਂਦਾ ਹੈ।

ਬੈਂਚਮਾਰਕ ਪ੍ਰਦਰਸ਼ਨ

  • Frontend Code Arena – Kimi K3 1,679 Elo ਦੇ ਸਕੋਰ ਨਾਲ ਅੱਗੇ ਹੈ, ਜੋ ਅਗਲੇ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲਾਂ ਨੂੰ ਪਛਾੜ ਰਿਹਾ ਹੈ।
  • SWE-bench Verified – ਮਾਡਲ 76.8% ਸਕੋਰ ਕਰਦਾ ਹੈ, ਜੋ Claude Opus 4.8 (88.6%) ਅਤੇ GPT-5.5 (88.7%) ਤੋਂ ਪਿੱਛੇ ਹੈ। ਇਹ ਬੈਂਚਮਾਰਕ ਡੂੰਘੇ, ਸਿੰਗਲ-ਰੇਪੋ (single-repo) ਬੱਗ-ਫਿਕਸਿੰਗ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ, ਜਿੱਥੇ Kimi K3 ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਉਮੀਦਵਾਰ ਨਹੀਂ ਹੈ।
  • Coding Index – Kimi K3 57 ਅੰਕ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਜੋ DeepSeek V4 Pro ਦੇ 44 ਤੋਂ ਕਾਫ਼ੀ ਉੱਪਰ ਹੈ।

ਕਿਸ ਨੂੰ ਫਾਇਦਾ ਹੁੰਦਾ ਹੈ

ਜੇਕਰ ਤੁਹਾਡਾ ਕੰਮ UI components, web-app scaffolding, ਜਾਂ ਅਜਿਹੇ agents ਬਣਾਉਣ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਘੁੰਮਦਾ ਹੈ ਜੋ ਵਾਰ-ਵਾਰ ਕੋਡ ਜਨਰੇਟ ਕਰਦੇ ਹਨ, ਤਾਂ Kimi K3 ਸ਼ਕਤੀ ਅਤੇ ਕੀਮਤ ਦਾ ਇੱਕ ਵਧੀਆ ਸੁਮੇਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਉਹਨਾਂ prompts ਵਿੱਚ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ ਜੋ ਬਹੁਤ ਸਾਰੇ ਛੋਟੇ snippets ਜਨਰੇਟ ਕਰਦੇ ਹਨ, CSS/HTML/JavaScript ਦੀਆਂ ਮੁਸ਼ਕਲਾਂ ਨੂੰ ਸੰਭਾਲਦੇ ਹਨ, ਅਤੇ ਕਾਲਾਂ ਦੀ ਇੱਕ ਲੜੀ ਵਿੱਚ state ਨੂੰ ਬਣਾਈ ਰੱਖਦੇ ਹਨ।

ਉਹ ਉੱਦਮ (Enterprises) ਜਿਨ੍ਹਾਂ ਨੂੰ ਕਮਰਸ਼ੀਅਲ-ਗ੍ਰੇਡ ਲਾਇਸੈਂਸਿੰਗ ਦੀ ਲੋੜ ਹੈ, ਉਹ ਜਾਰੀ ਕੀਤੇ ਗਏ weights ਨਾਲ ਨੱਥੀ ਸੋਧੇ ਹੋਏ MIT license ਦੀ ਵਰਤੋਂ ਵੀ ਕਰ ਸਕਦੇ ਹਨ। ਕਿਉਂਕਿ ਪੂਰੀਆਂ weight ਫਾਈਲਾਂ 27 ਜੁਲਾਈ 2026 ਤੱਕ Hugging Face 'ਤੇ ਉਪਲਬਧ ਹੋ ਜਾਣਗੀਆਂ, ਟੀਮਾਂ ਕਿਸੇ ਵੈਂਡਰ-ਵਿਸ਼ੇਸ਼ wrapper ਦੀ ਉਡੀਕ ਕੀਤੇ ਬਿਨਾਂ ਮਾਡਲ ਨੂੰ ਆਪਣੇ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਜੋੜ ਸਕਦੀਆਂ ਹਨ।

ਕੀਮਤ ਅਤੇ ਤੈਨਾਤੀ (Deployment)

  • API usage – $3 ਪ੍ਰਤੀ ਮਿਲੀਅਨ input tokens, $15 ਪ੍ਰਤੀ ਮਿਲੀਅਨ output tokens।
  • Cache hits – ਜਦੋਂ ਇੱਕੋ ਟੋਕਨ ਸੀਕੁਇੰਸ ਦੀ ਮੁੜ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਲਾਗਤ ਘਟ ਕੇ $0.30 ਪ੍ਰਤੀ ਮਿਲੀਅਨ ਟੋਕਨ ਹੋ ਜਾਂਦੀ ਹੈ।
  • Self-hosting – Moonshot ਡੈਸਕਟਾਪ-ਕਲਾਸ ਮਸ਼ੀਨ 'ਤੇ Kimi K3 ਚਲਾਉਣ ਦੀ ਸਲਾਹ ਨਹੀਂ ਦਿੰਦਾ। ਇੱਕ ਸਥਾਨਕ ਤੈਨਾਤੀ (local deployment) ਲਈ ਵਿਹਾਰਕ ਹੋਣ ਲਈ ਘੱਟੋ-ਘੱਟ 64 accelerators ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਜ਼ਿਆਦਾਤਰ ਡਿਵੈਲਪਰਾਂ ਲਈ ਕਲਾਊਡ API ਤੱਕ ਪਹੁੰਚ ਹੀ ਅਸਲੀ ਪ੍ਰਵੇਸ਼ ਬਿੰਦੂ ਬਣ ਜਾਂਦੀ ਹੈ।

ਕੀਮਤਾਂ ਮਾਡਲ ਨੂੰ ਉਹਨਾਂ closed ਵਿਕਲਪਾਂ ਦੇ ਮੁਕਾਬਲੇ ਮੁਕਾਬਲੇਬਾਜ਼ ਬਣਾ ਕੇ ਰੱਖਦੀਆਂ ਹਨ ਜੋ ਅਕਸਰ ਉੱਚੀਆਂ ਪ੍ਰਤੀ-ਟੋਕਨ ਦਰਾਂ ਵਸੂਲਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ output-heavy ਕੰਮਾਂ ਲਈ।

ਕੀ ਦੇਖਣਾ ਹੈ

Kimi K3 ਦੀ ਰਿਲੀਜ਼ open ਅਤੇ closed ਕੋਡਿੰਗ ਮਾਡਲਾਂ ਵਿਚਕਾਰਲੀ ਦੂਰੀ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ, ਪਰ ਮੁਕਾਬਲਾ ਅਜੇ ਵੀ ਬਹੁਤ ਹੈ।

Takeaway: Moonshot ਦਾ Kimi K3 ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ open-weight, sparsely activated ਮਾਡਲ ਖਾਸ, ਉੱਚ-ਆਯਾਮ (high-volume) ਕੋਡਿੰਗ ਕੰਮਾਂ 'ਤੇ ਉਦਯੋਗ ਦੇ ਸਭ ਤੋਂ ਮਸ਼ਹੂਰ closed ਸਿਸਟਮਾਂ ਨੂੰ ਹਰਾ ਸਕਦਾ ਹੈ—ਜੋ ਡਿਵੈਲਪਰਾਂ ਨੂੰ frontend ਅਤੇ agentic ਕੋਡਿੰਗ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ, ਸਸਤਾ ਟੂਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਹਾਲਾਂਕਿ ਇਹ ਡੂੰਘੇ ਬੱਗ-ਫਿਕਸਿੰਗ ਚੁਣੌਤੀਆਂ 'ਤੇ ਅਜੇ ਵੀ ਪਿੱਛੇ ਹੈ।